Arbetet är till grund för högskoleingenjörsexamen inom maskinteknik som har utförts i samarbete med Blekinge Tekniska Högskola. Syftet med detta arbete var att träna en modell som ett alternativ till traditionell materialkarakterisering för att möjliggöra snabb och effektiv uppskattning av materialegenskaper hos metallplåt. Detta gjordes med hjälp av konturmätning av testgeometrier samt analys av de mekaniska egenskaperna hos aluminiumlegeringen AA6014 i tre riktningar (0°, 45° och 90°).

I detta arbete har dragprov genomförts på provstavar av AA6014 i dessa tre riktningar: rullriktning (RD), diagonalriktning (DD) och tvärriktning (TD) för att bestämma spänning–töjningsbeteende och Lankford-koefficienter (r- värden). Resultaten användes för att kalibrera en Hill48-materialmodell i Abaqus. Därefter tränades en artificiell neuronnätsmodell (ANN) på simulerad data för att förutsäga r-värden utifrån breddminskning vid 10 % töjning.

Resultaten visade att den artificiella neuronnätsmodellen kunde förutsäga r₀ och r₉₀ med hög noggrannhet (över 95 % överensstämmelse) medan prediktionen för r₄₅ visade viss avvikelse, troligtvis på grund av felaktigheter i datainsamlingen. Modellen testades även med experimentellt uppmätta breddvärden, vilket gav prediktioner nära referensvärdena och därmed bekräftade metodens användbarhet.

Slutsatsen är att konturmätning i kombination med maskininlärning kan utgöra ett effektivt verktyg för snabb och resurseffektiv materialkarakterisering. För att förbättra noggrannheten bör framtida arbete fokusera på förbättrad datainsamling för 45°-riktningen samt mer modellvalidering mot experimentella mätningar.

The report is the basis of a bachelor’s degree in mechanical engineering. The work was done with Blekinge Institute of Technology. The purpose of this study was to train a model as an alternative to traditional material characterization, enabling fast and efficient estimation of material properties in metal sheets. This was achieved through contour measurement of test geometries and analysis of the mechanical properties of the aluminum alloy AA6014 in three directions (0°, 45°, and 90°).

In this study, tensile tests were conducted on AA6014 specimens in these three directions: rolling direction (RD), diagonal direction (DD), and transverse direction (TD) to determine stress-strain behavior and Lankford coefficients (r-values). The results were used to calibrate a Hill48 material model in Abaqus. Subsequently, an artificial neural network (ANN) was trained on simulated data to predict r-values based on width reduction at 10% strain.

The results showed that the artificial neural network model could predict r₀ and r₉₀ with high accuracy (over 95% agreement), while the prediction for r₄₅ showed some deviation, likely due to inaccuracies in data collection. The model was also tested with experimentally measured width values, yielding predictions close to reference values and thus confirming the method’s applicability.

The conclusion is that contour measurement combined with machine learning can serve as an effective tool for fast and resource-efficient material characterization. To improve accuracy, future work should focus on enhanced data collection for the 45° direction and further model validation against experimental measurements.